让 AI 写一段代码，通常像接龙：每次只吐出一个 token——也就是词、词的一部分或标点——后面的内容必须等前面写完。PlaidQ 想换一种办法：先铺开整份模糊答案，再同时修改多个位置。它是一款 7 亿参数的连续扩散语言模型，在代码片段对应的数字坐标上反复“去噪”，从而绕开逐 token 串行生成的限制。
问题在于，并行改写通常仍要迭代很多轮。作者因此采用蒸馏，让学生模型模仿较慢的生成轨迹，把过程压短。最值得注意的是，16 步版本在 HumanEval 和 MBPP+ 上分别取得 31.78 和 40.49 的 pass@10——即每题生成十份答案时，至少一份通过测试的比例——超过同一 PlaidQ 教师模型运行 512 步时的 28.57 和 35.21。更激进的一步版本在 HumanEval 上达到 7.07 的 pass@1，说明一次并行去噪也能产出少量功能正确的程序。不过这些结果均来自作者实验；一步生成离实用质量仍有明显距离，它目前更像对新路线的可行性验证。